carto-spatial-autocorrelation

使用 Moran's I 进行空间自相关分析

构建 CARTO 工作流，使用 Moran's I 衡量空间自相关，判断变量是否呈现聚类、离散或随机分布，并将每个位置划分到 HH/HL/LH/LL 象限。

前提条件：加载 carto-create-workflow，了解开发流程、JSON 结构和验证命令——它涵盖两种访问路径（已连接时使用 MCP 服务的工作流工具，例如 create_workflow、validate_workflow 和 run_workflow；否则使用 carto workflows CLI；路由信号见 carto-basics/references/access-paths.md）。

何时使用 Moran's I，何时使用 Getis-Ord Gi*：

• Moran's I：“是否存在聚类？”+ 将聚类划分为不同类型（HH、HL、LH、LL）+ 识别空间离群值（HL、LH）
• Getis-Ord Gi*：“热点/冷点在哪里？”+ 聚类程度（z 分数）

---

说明

Moran's I 工作流遵循以下流程：

Source Data -> (Filter) -> Spatial Indexing (H3) -> Aggregation -> Moran's I -> (Filter Significant) -> Save

步骤 1：加载源数据

使用 native.gettablebyname。输入表通常包含点几何或预先建立索引的网格数据。

成功条件：节点输出一个包含几何列（例如 geom）或现有空间索引列的表。

步骤 2：筛选（如有需要）

使用 native.wheresimplified 或 native.where 缩小数据集范围（例如按类别、日期范围或非空值筛选）。

成功条件：输出仅包含与分析相关的子集。

步骤 3：建立空间索引

使用 native.h3frompoint 将点几何转换为 H3 单元格。

分辨率指南——分辨率越高 = 单元格越小 = 模式越局部：

分辨率	单元格大小	使用场景
H3 res 7	边长约 5 km	区域/城市级模式
H3 res 8	边长约 2 km	街区级
H3 res 9	边长约 500 m	街道级（柏林 POI 教程中使用）

成功条件：每一行都包含空间索引列（例如 h3）。

步骤 4：按单元格聚合

使用 native.groupby，为每个单元格生成一行，并包含一个数值：

• 分组依据：空间索引列（h3）
• 聚合：geoid,count（或 value_col,sum / value_col,avg）

成功条件：输出中每个唯一单元格恰好有一行，并包含一个数值列（例如 geoid_count）。

步骤 5：运行 Moran's I

使用 native.moransi，并设置以下参数：

输入	说明	默认值
indexcol	包含 H3/Quadbin 索引的列	h3
valuecol	用于检测自相关的数值列	geoid_count
size	K 环邻域半径（跳数）	3
decay	空间权重的距离衰减函数	uniform

衰减选项：uniform、inverse、inverse_square、exponential。

• uniform：K 环内所有邻居的权重相同
• exponential：权重随距离呈指数递减（柏林 POI 教程中使用）

K 环大小：越大 = 邻域范围越广 = 全局模式越平滑。越小 = 评估越局部。邻域大小的选择会显著影响结果。

成功条件：输出包含每个单元格对应的 index、morans_i、p_value 和 quadrant 列。（请参阅“注意事项”中的提供方大小写说明——Snowflake 会以大写形式显示这些列名。）

步骤 6：筛选显著结果（建议）

使用 native.where，仅保留具有统计显著性的单元格。象限分类仅对显著单元格有意义。

常见筛选条件：

• p_value < 0.05——所有显著单元格（95% 置信度）
• p_value < 0.05 AND quadrant = 'HH'——仅保留高值聚类
• p_value < 0.05 AND (quadrant = 'HL' OR quadrant = 'LH')——仅保留空间离群值

成功条件：仅保留具有统计意义的空间模式单元格。

步骤 7：保存

使用 native.saveastable 持久化结果。无需转换几何，H3/Quadbin 列即可直接在 CARTO Builder 中可视化。

成功条件：工作流通过验证后，可通过 create_workflow（MCP）或 carto workflows create（CLI）上传。

---

输出列

列	含义
index	空间索引单元 ID（H3 或 Quadbin）
morans_i	局部 Moran's I 值——正值表示邻近单元相似，负值表示邻近单元不同
p_value	统计显著性——值越低，置信度越高
quadrant	聚类分类：HH、HL、LH 或 LL

解读结果

全局 Moran's I（整体模式）：

• > 0 = 空间聚类（相似值彼此相邻）
• < 0 = 空间离散（不同值彼此相邻）
• 接近 0 = 空间随机分布

局部象限（逐单元分类）：

象限	含义	解读
HH	高值被高值包围	聚类核心
LL	低值被低值包围	低值聚类
HL	高值被低值包围	空间异常值（高异常）
LH	低值被高值包围	空间异常值（低异常）

---

注意事项

• 提供商大小写规则和 SQL 方言。 此技能中的列名采用小写（BigQuery / Databricks / Postgres / Redshift 惯例）。在 Snowflake 上，未加引号的标识符会以大写形式显示——在表达式中请使用 H3、INDEX、MORANS_I、P_VALUE、QUADRANT、GEOID_COUNT。有关大小写规则和 SQL 方言对应关系，请参阅 carto-create-workflow/references/providers/<provider>.md。
• Moran's I 组件需要 Analytics Toolbox。离线验证无法解析 AT 位置——运行前请通过远程验证确认：通过 MCP 使用 validate_workflow 的 method: verify，或在 CLI 上运行 carto workflows verify-remote --connection <conn>。
• 输出列名为 index，而不是 h3 或 quadbin。如果需要与原始数据联接，请重命名该列（例如使用 native.renamecolumn）。
• valuecol 必须是数值型。如果要统计要素数量，分组步骤必须生成计数列——不要将原始索引列作为值传入。
• 分辨率过高且区域过大 = 单元数量极多，可能导致运行缓慢或超出内存限制。请从中等分辨率开始，再逐步细化。
• Moran's I 对邻域定义很敏感。k 环大小和衰减函数的选择都会实质性地影响结果。请记录所选参数，并考虑测试其他选项。
• 象限分类只有对统计显著的单元才有意义。解读象限前，请务必按 p_value 筛选——不显著的单元可能会因偶然而显示任意象限标签。
• 衰减输入参数名为 decay（不是 kernel）。如有疑问，请检查组件架构。

---

参考模板

资源	描述
BQ 教程	计算柏林 POI 位置的空间自相关（BigQuery）
SF 教程	Snowflake 版同一教程
工作流模板	“计算兴趣点位置的空间自相关”（可在 CARTO Workspace 中使用）

---

常见变体

变体	方法
预索引数据	如果数据已有 H3/Quadbin 列，则跳过步骤 3
使用多边形而非点作为输入	使用 native.h3polyfill 而不是 native.h3frompoint
完整网格（无空缺）	先对研究区域边界进行 Polyfill，再用数据丰富网格（与热点分析采用相同方法）
与 Getis-Ord 结合	对同一聚合网格运行两种分析，然后联接结果，以获得更全面的分析
仅筛选异常值	保留 HL 和 LH 象限，以查找异常位置